SESI 11: FORECASTING MODELS (MODEL PERAKIRAAN)

Memprediksi Masa Depan Bisnis dengan Data Historis, Time-Series, dan Regresi Kausal

Forecasting vs. Meramal: “Meramal” bersifat mistis dan tanpa data. Forecasting adalah seni dan ilmu sistematis untuk memprediksi kejadian masa depan menggunakan data historis dan metode matematis, dengan tujuan utama: mengurangi ketidakpastian dalam pengambilan keputusan (stok, produksi, anggaran, investasi).

11.1 Tiga Pilar Utama Model Forecasting

📊 Kualitatif, Time-Series, dan Kausal

Jenis Model	Karakteristik	Kapan Digunakan?	Contoh Metode
1. Kualitatif	Berdasarkan intuisi, opini ahli, dan penilaian subjektif.	Data historis tidak ada (produk baru) atau tidak relevan (disrupsi besar).	Delphi Method, Jury of Executive Opinion
2. Time-Series	Ekstrapolasi pola masa lalu (trend, musiman) ke masa depan.	Data historis tersedia dan pola relatif stabil.	Moving Average, Exponential Smoothing
3. Kausal (Sebab-Akibat)	Menghubungkan variabel yang diprediksi dengan variabel independen lain.	Ada faktor eksternal yang jelas mempengaruhi (iklan, harga, ekonomi).	Regresi Linear Sederhana & Berganda

💡 Prinsip Emas: “Tidak ada model yang sempurna.” Pilih model yang memiliki error terkecil untuk konteks bisnis spesifik Anda.

11.2 Mengukur Akurasi: MAD, MSE, dan MAPE

🎯 Seberapa “Meleset” Prediksi Kita?

Untuk memilih model terbaik, kita harus mengukur selisih antara Actual (A) dan Forecast (F).

1. MAD (Mean Absolute Deviation): Rata-rata kesalahan mutlak.
Rumus: Σ |A – F| / n
Kelebihan: Mudah diinterpretasi (dalam satuan asli data).

2. MSE (Mean Squared Error): Rata-rata kesalahan kuadrat.
Rumus: Σ(A – F)² / n
Kelebihan: Memberikan “hukuman” lebih berat pada error yang besar (sensitif terhadap outlier).

3. MAPE (Mean Absolute Percentage Error): Rata-rata kesalahan persentase.
Rumus: Σ (|A – F| / A) × 100% / n
Kelebihan: Mudah dibandingkan antar dataset dengan skala berbeda. (MAPE < 10% = Sangat Akurat).

💡

Studi Kasus Telkom: Tim data science membandingkan 3 model prediksi pelanggan IndiHome. Model Regresi memiliki MAPE terkecil (1.9%), sehingga dipilih sebagai model utama, mengungguli Moving Average (2.5%) dan Exponential Smoothing (2.1%).

11.3 Time-Series: Moving Average & Exponential Smoothing

📈 Meratakan Fluktuasi untuk Melihat Pola

Moving Average (MA) memberikan bobot yang sama pada semua periode. Weighted Moving Average (WMA) memberikan bobot lebih besar pada data terbaru. Namun, keduanya gagal menangkap trend yang kuat.

🖥️ Setup Excel: Exponential Smoothing (ES)

ES lebih unggul karena secara otomatis memberikan bobot yang menurun secara eksponensial pada data yang lebih lama, dan hanya memerlukan 1 parameter: Alpha (α).

Periode	Actual (A)	Forecast (F)	Formula Excel (di kolom F)
1	100	100.0	=B2 (Inisialisasi)
2	120	100.0	=C2 + 0.3*(B2-C2)
3	130	106.0	=C3 + 0.3*(B3-C3)
4	140	113.2	=C4 + 0.3*(B4-C4)

💡 Tips Excel: Gunakan Data > Data Analysis > Exponential Smoothing atau atur nilai α (0.1 s.d. 0.9) dan gunakan Solver untuk meminimalkan MAD/MSE secara otomatis.

11.4 Analisis Trend & Musiman (Seasonality)

🌊 Memisahkan Pola Jangka Panjang dan Siklus

Jika data memiliki trend (naik/turun konsisten) atau seasonality (pola berulang, misal: lonjakan saat Lebaran), metode rata-rata sederhana akan gagal (underforecast/overforecast).

1. Linear Trend Projection: Y = a + bt
Gunakan fungsi Excel: =FORECAST.LINEAR(x, known_y's, known_x's)

2. Seasonal Index: (Rata-rata Musim Tertentu / Rata-rata Keseluruhan) × 100%
Forecast Akhir = (Forecast Trend) × (Seasonal Index)

🇮🇩

Konteks Indonesia (Batik Keris): Penjualan baju selalu melonjak di Q4 (Lebaran/Natal). Seasonal Index Q4 mungkin 210%. Jika trend linear memprediksi 740 unit untuk Q4 2026, forecast final yang disesuaikan musim adalah 740 × 2.10 = 1.554 unit.

11.5 Causal Models: Regresi Linear

🔗 Mencari Hubungan Sebab-Akibat

Berbeda dengan time-series yang hanya melihat waktu, model kausal menggunakan variabel independen (X) untuk memprediksi variabel dependen (Y).

🖥️ Implementasi Regresi di Excel

Pastikan Data Analysis ToolPak sudah aktif (File > Options > Add-ins).
Buka Data > Data Analysis > Regression.
Input Y Range: Kolom data yang ingin diprediksi (misal: Penjualan).
Input X Range: Kolom data penyebab (misal: Budget Iklan, Harga).
Centang Labels dan Residuals, lalu klik OK.

💡 Baca Output: Perhatikan nilai R Square (>0.7 bagus) dan P-value (<0.05 berarti variabel X signifikan mempengaruhi Y).

⚠️ 4 Aturan Emas Forecasting

Garbage In, Garbage Out: Akurasi forecast sangat bergantung pada kualitas dan kebersihan data historis.
Jangan Terpaku pada Satu Model: Selalu bandingkan minimal 2-3 metode menggunakan MAD/MAPE. Pertimbangkan Composite Forecasting (rata-rata dari beberapa model).
Waspadai Disrupsi: Model time-series mengasumsikan “masa lalu akan berulang”. Jika ada perubahan regulasi, pandemi, atau teknologi baru, model kuantitatif harus disesuaikan dengan judgment kualitatif.
Monitor & Update: Forecast bukan “set and forget”. Evaluasi akurasi setiap bulan/kuartal dan sesuaikan parameter (α, bobot) jika error mulai membesar.